前言：中文期刊网精心挑选了人工神经网络的定义范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
人工神经网络的定义范文1
关键词人工神经网络；发展；应用
中图分类号：TP183 文献标识码：A 文章编号：1671-7597（2014）12-0003-01
随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。
1人工神经网络概述
关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用；人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助；人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决；人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制；人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。
2人工神经网络的发展历程
2.1 萌芽时期
在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。
2.2 低谷时期
在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。
2.3 复兴时期
美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。
2.4 稳步发展时期
随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。
随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。
3人工神经网络的应用
3.1 在信息领域中的应用
人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。
3.2 在医学领域的应用
人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。
3.3 在经济领域中的应用
经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。
3.4 在其他领域的应用
人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。
4总结
随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。
参考文献
[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993（5）：8-12，20.
[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009（10）：59-61.
[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009（5）：44-46.
人工神经网络的定义范文2
本文主要介绍了人工神经网络的概念，并对几种具体的神经网络进行介绍，从它们的提出时间、网络结构和适用范围几个方面来深入讲解。
【关键词】神经网络 感知器网络 径向基网络 反馈神经网络
1 引言
人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。它实际上是一个由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统，通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能，利用这一特性，可以设计处具有类似大脑某些功能的智能系统来处理各种信息，解决不同问题。下面对几种具体的神经网络进行介绍。
2 感知器网络
感知器是由美国学者Rosenblatt在1957年首次提出的，感知器可谓是最早的人工神经网络。感知器具有分层结构，信息从输入层进入网络，逐层向前传递到输出层。感知器是神经网络用来进行模式识别的一种最简单模型，属于前向神经网络类型。
2.1 单层感知器
单层感知器是指只有一层处理单元的感知器，它的结构与功能都非常简单，通过读网络权值的训练，可以使感知器对一组输入矢量的响应达到元素为0或1的目标输出，从而实现对输入矢量分类的目的，目前在解决实际问题时很少被采用，但由于它在神经网络研究中具有重要意义，是研究其他网络的基础，而且较易学习和理解，适合于作为学习神经网络的起点。
2.2 多层感知器
多层感知器是对单层感知器的推广，它能够成功解决单层感知器所不能解决的非线性可分问题，在输入层与输出层之间引入隐层作为输入模式的“内部表示”，即可将单层感知器变成多层感知器。
3 线性神经网络
线性神经网络类似于感知器，但是线性
神经网络的激活函数是线性的，而不是硬限转移函数。因此线性神经网络的输出可以使任意值，而感知器的输出不是0就是1。线性神经网络最早的典型代表就是在1963年由美国斯坦福大学教授Berhard Windrow提出的自适应线性元件网络，它是一个由输入层和输出层构成的单层前馈性网络。自适应线性神经网络的学习算法比感知器的学习算法的收敛速度和精度都有较大的提高，自适应线性神经网络主要用于函数逼近、信号预测、系统辨识、模式识别和控制等领域。
4 BP神经网络
BP神经网络是1986年由以Rumelhart和McCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，在人工神经网络的实际应用中，80%～90%的人工神经网络模型采用BP网络或者它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分，BP神经网络由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经过一步处理后完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者达到预先设定的学习次数为止。
BP网络主要应用于以下方面：
（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。
（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来。
（3）分类：对输入矢量以所定义的合适方式进行分类。
（4）数据压缩：减少输出矢量维数以便于传输或存储。
5 反馈神经网络
美国加州理工学院物理学家J.J.Hopfield教授于1982年发表了对神经网络发展颇具影响的论文，提出一种单层反馈神经网络，后来人们将这种反馈网络称作Hopfield网。在多输入/多输出的动态系统中，控制对象特性复杂，传统方法难以描述复杂的系统。为控制对象建立模型可以减少直接进行实验带来的负面影响，所以模型显得尤为重要。但是，前馈神经网络从结构上说属于一种静态网络，其输入、输出向量之间是简单的非线性函数映射关系。实际应用中系统过程大多是动态的，前馈神经网络辨识就暴露出明显的不足，用前馈神经网络只是非线性对应网络，无反馈记忆环节，因此，利用反馈神经网络的动态特性就可以克服前馈神经网络的缺点，使神经网络更加接近系统的实际过程。
Hopfield神经网络的应用：
（1）在数字识别方面。
（2）高校科研能力评价。
（3）应用于联想记忆的MATLAB程序。
6 径向基神经网络
径向基RBF网络是一个3层的网络，除了输入、输出层之间外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向网络，转换函数一般都是全局响应函数。由于这样的差异，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型络的原因。但是RBF网络的训练时间更短，它对函数的逼近时最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确。
径向基网络的应用：
（1）用于曲线拟合的RBF网络。
（2）径向基网络实现非线性函数回归。
7 自组织神经网络
自组织竞争型神经网络是一种无教师监督学习，具有自组织功能的神经网络，网络通过自身的训练。能自动对输入模式进行分类，一般由输入层和竞争层够曾。两层之间各神经元实现双向连接，而且网络没有隐含层。有时竞争层之间还存在着横向连接。
常用自组织网络有一下几种：
（1）自组织特征映射网络。
（2）学习矢量量化网络。
（3）自适应共振理论模型。
（4）对偶传播网络。
参考文献
[1]韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.
[2]周品.神经网络设计与应用[M].北京：清华大学出版社，2013.
作者简介
孔令文（1989-），男，黑龙江省齐齐哈尔市人。现为西南林业大学机械与交通学院在读研究生。研究方向为计算机仿真。
人工神经网络的定义范文3
由于人体与疾病的复杂性，不可预测性，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。
在麻醉与危重医学相关领域的研究涉及到多生理变量的分析与预测，从临床数据中发现一些尚未发现或尚无确切证据的关系与现象，信号处理，干扰信号的自动区分检测，各种临床状况的预测，单独或结合其他人工智能技术进行麻醉闭环控制等。
在围术期和重症监护与治疗阶段，需要获取大量的信息，将可能在信号处理、基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的预测、智能化床旁监护、远程医疗与教学、医疗机器人等各方面广泛运用到人工神经网络技术和其他人工智能技术。
一、概述
人工神经网络（artificial neural network, ann）是人工智能(artificial intelligence, ai)学科的重要分支。经过50多年的发展，已成为一门应用广泛，涉及神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学等多学科交叉、综合的前沿学科。WWw.133229.CoM
现代计算机的计算构成单元的速度为纳秒级，人脑中单个神经细胞的反应时间为毫秒级，计算机的运算能力为人脑的几百万倍。可是，迄今为止，计算机在解决一些人可以轻而易举完成的简单任务时，例如视觉、听觉、嗅觉，或如人脸识别、骑自行车、打球等涉及联想或经验的问题时却十分迟钝。也不具备人脑的记忆与联想能力，学习与认知能力，信息的逻辑和非逻辑加工能力，信息综合判断能力，快速的高度复杂信息处理速度等。
造成这种问题的根本原因在于，计算机与人脑采取的信息处理机制完全不同。迄今为止的各代计算机都是基于冯*纽曼工作原理：其信息存储与处理是分开的；处理的信息必须是形式化信息，即用二进制编码定义；而信息处理的方式必须是串行的。这就决定了它只擅长于数值和逻辑运算。而构成脑组织的基本单元是神经元，每个神经元有数以千计的通道同其他神经元广泛相互连接,形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元, 对信息进行分布式存储与加工, 这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。
人工神经网络就是在对人脑神经网络的基本研究的基础上，采用数理方法和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。一个人工神经网络是由大量神经元节点互连而成的复杂网络,用以模拟人类进行知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的智能系统是通过学习获取知识后建立的,它通过对大量实例的反复学习,由内部自适应机制使神经网络的互连结构及各连接权值稳定分布，这就表示了经过学习获得的知识。
人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。
近20年来，神经网络的软件模拟得到了广泛研究和应用，发展速度惊人。1987年在圣地亚哥召开了首届国际神经网络大会，国际神经网络联合会(inns)宣告成立。这标志着世界范围内掀起神经网络开发研究热潮的开始。
二、医学领域应用现状与前景
由于人体与疾病的复杂性，不可预测性，在生物信号与信息的表现形式、变化规律（自身变化与医学干预后变化），对其检测与信号表达，获取的数据及信息的分析、决策等诸多方面均存在大量复杂的非线性关系，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。
1、信号处理：
在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，医学图像的识别和数据压缩处理等。
2、医学专家系统
医学专家系统就是运用专家系统的设计原理与方法, 模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序, 它可以帮助医生解决复杂的医学问题, 作为医生诊断、治疗的辅助工具。 “传统”的专家系统，通过把专家的经验和知识以规则的形式存入计算机中，建立知识库，用逻辑推理的方式进行医疗诊断。但一些疑难病症的复杂形式使其很难用一些规则来描述，甚至难以用简单的语言来表达；专家们常常难以精确分析自己的智能诊断过程。另一方面，基于规则的专家系统，随着数据库规模的增大，可能导致组合爆炸，推理效率很低。由于人工神经网络能够解决知识获取途径中出现的“瓶颈”现象、知识“组合爆炸”问题以及提高知识的推理能力和自组织、自学习能力等等, 从而加速了神经网络在医学专家系统中的应用和发展。
sordo比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(down’s syndrome) 上的成绩。正确分类率为84 %, 超过了现今所用的统计方法的60 %～70 % 的分类率。
台湾deu科技（德亚科技）开发的计算机辅助检测系统rapid screentm rs-2000为全世界最先通过美国fda认证的早期肺癌辅助诊测系统。该产品采用人工智能神经网络ann，自动标识数字胸片中可疑结节区。经台湾和美国的临床实验，可使放射专家检测t1期肺癌的能力明显提高(潜在提升约15 %以上)。
degroff等使用电子听诊器和人工神经网络制造了一种仪器，它可正确地区分儿童生理性和病理性杂音。用电子听诊器记录的儿童心音，输入能识别复杂参数的ann，分析的敏感性和特异性均达100%。
3、其他：
生物信息学中的研究中可应用于基因组序列分析、蛋白质的结构预测和分类、网络智能查询等方面。
药学领域广泛应用于定量药物设计、药物分析、药动/药效学等方面。例如：用于预测药物效应。veng-pederson用神经网络预测阿芬太尼对兔心率的影响，对用药后180-300分钟的药物效应取得了较好的预测结果（平均相对预测准确度达78%）。分析群体药动学数据，以获知群体药动学特征和不同人口统计因子对药物行为的影响，对临床用药具有指导意义。
4、麻醉与危重医学相关领域的研究
手术室和icu内是病人信息富集的地方，而且大量的信息处在动态变化中，随着医学技术的飞速进步，所能获取的信息越来越多，医护人员面临着“信息轰炸”。神经网络技术可以很好地帮助我们应对这些问题。例如：
1）可以用于分析多个生理变量之间的关系，帮助研究其内在的关系，或预测一些变量之间的关系：perchiazzi在肺损伤和正常的猪容量控制机械通气中，用ann估计肺顺应性的变化，不需要中断呼吸，与标准方法相比误差很小。
2）结合数据挖掘技术，可能从海量数据库例如电子病历系统中，发现一些尚未发现或尚无确切证据的关系与现象：buchman 研究了神经网络和多元线形回归两种方法，用病人的基本资料、药物治疗差异和生理指标的变化预测在icu延迟（>7天）。
3）信号处理：ortolani等利用eeg的13个参数输入ann，自行设计的麻醉深度指数ned0-100作为输出，比较ned与bis之间有很好的相关性；
4）干扰信号的自动区分检测：jeleazcov c等利用bp神经网络区分麻醉中和后检测到的eeg信号中的假信号，是传统eeg噪音检测方法的1.39-1.89倍。
5）各种临床状况的预测：laffey用ann预测肌肉松弛药的残留，发现明显优于医生的评估，还有用于预测propfol剂量个体差异的，预测术后恶心、呕吐，预测全麻后pacu停留时间，预测icu死亡率等较多的研究。
人工神经网络的定义范文4
关键词：模拟电路；智能故障诊断；神经网络
中图分类号：TN710 文献标识码：A 文章编号：1009-2374（2012）04-0118-02
上世纪70年代开始，模拟电路故障诊断理论第一次被提出来，如今已发展成为一门系统的学科。但是，虽然模拟电路的使用时间已经有一段历史，其模拟电路故障诊断技术却发展一直比较缓慢。以下笔者就从模拟电路智能故障的特点入手，对模拟电路智能故障诊断技术的发展现状进行详细探讨。
一、模拟电路智能故障的特点分析
现将模拟电路故障的特点分析如下：
（一）模拟电路信号与数字信号的区别
模拟电路信号与数字信号有很大的不同：前者信号的大小是随时间连续变化的量，包含的物理量属于连续函数，其故障模式及模型难以用简单的量化来描述。
（二）模拟电路元器件的特性
由于模拟电路中的元器件参数本身存在容差，导致了导致功能性故障的故障物理位置难以确定，存在较大的模糊性（“容差”的实质就是元器件本身存在的轻微故障）。
（三）模拟电路中存在的问题
在模拟电路中，存在反馈电路和非线性问题，增加了计算和测试的复杂性。
（四）模拟电路的使用范围
模拟电路的频率范围比较宽，这就决定了其使用设备的差异性。有时，即使测量同一个信号，但是在不同的频段上所使用的设备都会出现很大的差距，决定了其设备较大差异性的特点。
（五）模拟电路的故障问题
由于现在电路中，可测试的节点数一般都比较少（电路通常是封装或者多层的缘故），导致判断故障信息的数量不够多、信息不够充分，加大了故障判断的难度。
二、模拟电路故障诊断技术现状分析
近几年，电子技术得到了飞速发展，随着电子技术的飞速发展，电子技术运用而成，并随着集成度的不断增大，电路的复杂程度日益提高。
一般而言，故障辨识、故障检测及故障隔离是电路故障诊断的主要内容。由于诊断原理的多样性，导致了电路故障诊断方法也存在多样性。
本文根据故障诊断的角度出发，对现行电路故障诊断的方法进行了分类。以下就现代模拟电路故障诊断的方法进行具体探讨。
（一）专家系统故障诊断分析
专家系统在人工智能技术中，属于应用比较广泛和活跃的故障诊断技术之一。专家系统故障诊断的工作过程可以描述为以下几个步骤：首先，应该具备故障诊断专家系统的知识库，这个知识库的内容主要是将相关诊断经验与技术，使用一定的规则组合起来而形成，以备以后程序使用；然后，当出现故障时故障诊断系统将由报警系统得到相关信息，应用知识库对其进行推理，由此得出出现的故障的原因。
以上诊断过程可以理解为：专家系统故障诊断技术是模拟行业专家进行诊断及决策的过程，主要可以解决一些比较复杂的故障问题。
但是，由于这些技术存在一定的缺陷，在一定程度上限制了其推广使用。
（二）人工神经网络技术分析
人工智能技术的另一个重要分支是人工神经网络技术。
在故障诊断中，它的主要优势在于：其特别适合处理那些具有复杂非线性关系的、无法用显性公式表示的情况，并能够有力解决非线性、反馈回路和容差等引起的问题，上述这些情况都是传统模式识别方法难以解决的。
人工神经网络由于其独特的优势，越来越受到人们的广泛重视。
人工神经网络的优点主要体现在以下几个方面：（1）它以利用网络的拓扑结构和权值分布实现非线性的映射，以分布的方式存储信息；（2）它可以实现非线性信息变化问题，这个主要是通过全局并行处理来实现的信息变化。其可以有效的解决故障诊断中故障知识获取这个“瓶颈”问题，以及“组合爆炸”等问题；（3）人工神经网络技术还具有联想记忆、并行分布处理以及自适应性强等特点。
以上的这些优点为智能故障诊断的研究开辟了一条新途径。基于以上的分析，将神经网络与专家系统相结合，使其相互补充，各自扬长避短，是故障诊断领域的一个热点话题。
（三）神经网络专家系统
从逻辑方面来讲，神经网络专家系统和传统专家系统是完全不同的。神经网络专家系统是一类新的知识表达体系，神经网络专家系统中的信息处理是由大量简单处理元件之间进行相互作用，从而进行信息处理的，属于低层数值模型。神经网络专家系统可以将数值运算和逻辑推理结合，并利用相关的信息处理功能来解决诊断系统中的相关问题。
在这种技术中，通过学习将专家知识存储在网络中，由此进行不精确的故障诊断，可以较好的完成相关推理过程。
（四）小波分析方法
小波分析法时一种时-频分析方法。它的主要原理通过以下阐述：
小波变换及小波函数的多样性。
小波是函数空间中满足下述条件的一个函数或者信号：
式中：表示非零实数全体，是傅里叶变换，为小波母函数。
对于实数对（a，b），参数a为非零实数，函数
称为由小波母函数生成的依赖于参数对（a，b）的连续小波函数，简称小波。其中：a称为伸缩因子：b称为平移因子。
对信号f（x）的连续小波变换则定义为：
其逆变换（回复信号或重构信号）为：
信号f（x）的离散小波变换定义为：
其逆变换（恢复信一号或重构信号）为：
其中：C是一个与信号无关的常数。
由上述原理可知，小波函数具有多样性。
（五）神经网络小波分析方法
将神经网络与小波分析相结合的方法主要有两个：
1．以辅助式结合的形式组合。在这种结合中，一般是利用小波分析技术对相应的信号进行预先处理，然后，利用神经网络技术进行学习与判别。
2．以嵌套式结合的方式进行组合。这种结合中，主要是把小波分析方法融入到神经网络中，形成新的神经网络结构，即神经网络一小波分析或小波网络。这种新的网络方法具有明显的优势：具有自适应分辨功能和很好的容错性。
由上面分析可以得出，这种新的故障诊断鉴别方法是故障诊断领域的一个新方法，它不仅可以拓宽小波分析方法与神经网络技术的应用领域，而且为故障诊断技术开辟了新道路，使得故障诊断技术得到了进一步的发展。
三、结语
由于现代科技的飞速发展，模拟电路故障诊断系统将会变得越来越复杂，如何保证模拟电路系统可以运行的更加可靠是一个值得深入探讨的问题。模拟电路出现故障后，如能及时将相应的故障诊断清楚，并保证及时维修更换，无疑可以提高生产效率，提高成品的合格率，进而推动模拟电路系统向更好的方向
发展。
参考文献
[1] 朱大奇．电子设备故障诊断原理与实践[M]．北京电子工业出版社，2004．
人工神经网络的定义范文5
关键词 诶尔曼神经网络；人工神经网络；随机游走模型；组合预测；金融时间序列
中图分类号 F224 文献标识码 A
1 引 言
金融时间序列与经济环境及商业环境有关，如股市，汇率，物价指数，国民收入和净出口等.选择一个合适的金融数据模型，需要正确地识别金融市场与整体经济之间的内在关系[1].在实践中非常困难.因为一个金融时序数据的动态变化受到多个经济变量的影响，包括经济增长，利率，通货膨胀，通货紧缩，政治决策和心理因素等多个复杂的经济变量[1].
这些年来，关于金融时间序列的分布特征、模型模拟及预测等已经有了大量的研究工作[2，3].线性统计模型，如指数平滑法[4]和ARIMA[5]模型等，已经大量应用于金融数据的预测.ARIMA模型的一个分支，即随机游走模型（Random Walk model）[1，6]，已经成为这个领域的主流统计技术.在一个简单的随机游走模型中，每一期的预测值被认为是最近一期的观测值和随机误差项的总和.目前，简单随机游走模型是金融时间序列分析中最主要的线性模型（尤其是汇率数据）[7].对随机游走模型的改进，如带漂移项的随机游走模型和误差修正，也有了很多相关的研究[1].尽管随机游走模型具有简单性和显著的预测精度，但是其主要缺点是内在的线性形式.随机游走模型未能捕获存在于金融时间序列中的非线性特征[2，7].非线性是金融时间序列的缺省特征，因此，通过一个随机游走模型近似它是不充分的.在这种情况下，人工神经网络是一种不错的选择.由于其非线性，非参数，自适应和噪声耐受性，人工神经网络在金融时间序列预测领域获得了广泛的关注[2，3].这些显著的特征使得人工神经网络模型能够有效地识别解释变量之间导致金融时序图产生不规则波峰和波谷的内在机理.与其他非线性统计模型不同的是，人工神经网络能够在不了解底层数据计算过程的情况下进行非线性模拟[8].不少研究者对比了人工神经网络和随机游走模型预测金融数据时的表现，也研究出了许多有益的结果：如Dunis and William发现神经网络相对于一般的统计模型可以提供更高的预测精度；Sun[1]发现在预测汇率时，人工神经网络表现出比随机游走模型更差的预测精度等等.但是，对于预测金融数据，一个金融时间序列一般包含了线性部分和非线性部分，单独使用人工神经网络模型或随机游走模型并不合适.上述研究无法确定人工神经网络模型和随机游走模型中哪一个更适应于预测这类金融数据.从而激励着去寻找一种组合机制去预测汇率.对于金融数据模型的预测，zhang[7]首次将随机游走模型和神经网络模型结合起来，国内学者熊志斌也做了ARIMA融合神经网络的人民币汇率预测模型研究[9].
本文假设任何金融时间序列由线性部分和非线性自相关部分组成，且可以从时间序列中剥离、单独建模.将随机游走模型和神经网络模型结合起来对金融数据进行预测.主要步骤如下：首先，随机游走模型用于拟合金融时间序列的线性部分，由观察值和随机游走模型拟合值之间的差计算样本内残差.根据假设，这些残差只包含非线性关系；第二，FANN和EANN将用于分别拟合这些残差值，并由2个模型产生的预测值的平均值得到想要的残差估计；第三步，由随机游走模型预测时间序列的线性部分；最后，将线性部分和非线性部分所得到的预测值加总，获得期望的最终预测.
2 随机游走模型
随机游走模型是金融时序分析最流行和有效的统计模型，也被广大的研究生所研究和使用，这个模型假设最近的观察值是对下一期预测值的最佳指南.在数学上，一个简单的RW模型被表示如下：
其中，和yt是时间序列中的观察值，εt是一个白噪声并且εt～N（0，σ2）.
从式（1）中可以看出，一个随机游走模型表明所有与未来相关的信息已经包含在可用的数据里，这个模型因为被使用较多，所以非常容易理解和实现.根据有效市场的假说，随机游走模型是外汇汇率预测中最主要的线性模型，而且大量研究指出许多基于线性结构的预测技术并没有比简单的随机游走模型更有效.
一个随机游走模型的成功很大程度上取决于随机误差项，按照定义，随机误差项是独立同分布的.在本文中将生成独立同分布的伪随机正态变量εt～N（0，σ2），其中σ2是样本内数据集的方差.
3 人工神经网络（ANN）模型
3.1 前馈神经网络 （FANN）
在所有可用的仿生预测方法中，人工神经网络无疑是最流行且最成功的.人工神经网络最初起源于对人脑结构的模仿，渐渐地，神经网络技术在众多领域起到了极为重要的作用，如分类、识别和预测.人工神经网络通过若干互相连接的分布在不同层的神经元来学习数据的内在关系.多层感知器（MLP）是最被认可的人工神经网络的结构，用于时间序列预测问题.一个MLP基本上是一个输入层，一个或多个隐藏层和一个输出层的前馈结构.在每层中有许多个处理结点，其通过不可逆的链接连接到下一层.单层次的隐藏节点已经足以解决许多最实际的问题.图1描述了一个典型的MLP结构（p个输入结点，h个隐藏结点和一个输出结点）.
在没有任何限制条件的情况下，简单的多层感应器模型或前馈神经网络模型能以任何给定的精度去近似逼近任何非线性函数.考虑到计算的要求，简单的神经网络往往是更合适的.选择合适的网络结构很重要，但并不是一个简单的工作.网络结构的选择主要包括确定输入节点、隐藏节点和输出节点的个数，以及隐藏层的层数.在不同文献中有着不同的参数优化选择方法，但这些方法并不简单，而且都是针对着具体的问题.
广泛应用的神经网络选择方法包括了赤池信息准则（AIC），贝叶斯信息准则（BIC），施瓦茨的贝叶斯准则（SBC）和偏差校正的赤池信息准则（AICC-）.这4种准则基于对增加神经网络中参数个数的惩罚.在本文中，使用BIC准则作为神经网络的选择标准，因为它比其他3种准则更严重地惩罚了额外的参数.对于一个的FANN模型，BIC的数学表达式由式（5）给出：
3.2 诶尔曼人工神经网络（EANN）
类似于常见的前馈型神经网络（FANNs），时间递归神经网络在金融时间序列预测领域也相当流行.诶尔曼人工神经网络是一种简单的时间递归神经网络，除了3种常见的层次，还有额外的上下文层和反馈连接.在每一个计算步骤中，隐藏层的输出被再次反馈到上下文层，如图2所示.这种递归使得神经网络动态化，从而能够实现对处理结点非线性时间依赖的映射.EANN模型通常比相同结构的FANN提供了更好的预测性能.然而，EANNs比FANNs需要更多数量的网络连接和记忆单元.
使用相同的网络结构的FANN和EANN模型，不同之处在于EANN模型隐藏层的神经元是对应FANN模型中神经元的5倍.
4 组合方法的建模
在本文中，决定同时利用随机网络模型和神经网路模型来预测金融数据.虽然这些模型有着广泛的应用，但是他们之中没有一个模型能够在所有预测情况之下都最好.例如，RW模型不适合于识别非线性模式，类似地，使用人工神经网络处理线性问题时产生的结果也好坏参半.因此，更科学的做法是找一种组合方法去结合这两种模型的长处，而不是单独地去应用它们.假设，一个金融时间序列由从线性和非线性两部分构成，能从时间序列中分离出来并单独地建模.从数学上讲：
这种组合方法的显著特点如下：①任何金融时间序列都由线性部分和非线性部分组成，通过随机游走模型拟合线性部分，神经网络模型拟合非线性残差部分，提高了总体的预测精度；②类似的组合方法最早由Zhang推出，在他们的方法中，时间序列的线性部分由ARIMA模型来拟合而剩余的非线性残差部分由FANN来拟合.然而，该组合方法同时结合了FANN模型和EANN模型两种模型的优势，能更好地识别非线性自回归结构；③这种组合机制是基于一种简单而有效的想法，相当容易实施和解释.④值得注意的是，如果金融时间序列中的线性和非线性部分存在着适当比例的自相关结构，那所提出的组合方法将能显着改善预测精度.如果这2个部分自相关程度较弱，那该方法可能并不合适.
5 实验结果与讨论
为了验证所提出的组合方法的有效性，本文用到了三组数据：①港币兑换美元汇率，包括了从1994年8月到2015年6月港币兑换人民币的每月汇率；②美元兑换人民币汇率，包含从2005年5月到2015年6月美元兑换人民币的每月汇率；③人民币兑换港币汇率，包括了从1995年1月到2015年6月人民币兑换港币的每月汇率.（数据来源：汇率数据取自国泰安数据库）（见表1）
从图3中可以清楚地看到3个时间序列中不规则非平稳的变化.
图4和5中，画出了3种时间序列的实际曲线和通过组合模型所描绘的预测值曲线.在每个图中，实线和虚线分别表示实际和预测序列.港币美元汇率与人民币港币汇率数据的预测误差较小，预测值与原始值的走势趋于一致.预测人民币港币汇率的预测效果没有港币美元汇率与人民币港币汇率好，预测值的总体走势与原始值一致.三组汇率数据的原始值和他们的预测值之间的接近程度是显而易见的.
6 总 结
众所周知，设计一个合适的模型来预测金融数据是时间序列研究领域的一个重大挑战，也是极其不易之事.这主要是因为金融时间序列中的不规则运动及突然的转折点使得实际中很难去理解和预测.基于金融数据独特的随机性特征，本文构建了人工神经网络和随机游走模型对中国的汇率数据进行预测.
本文构建的新模型结合了随机游走模型，FANN模型和EANN模型3种模型的优势去预测金融数据.并且从实证结果表明，预测值与原始值的走势趋于一致，港币与人民币之间的预测误差不大，但是对于相对于人民币汇率的预测，美元汇率的预测效果更好.从预测误差看，均比每个单独的模型效果要好.从三组真实的金融时间序列的实证结果清楚地表明，本文新构建的组合方法极大地提高了整体的预测精度.因此，我们的新模型在汇率预测方面上有更高的准确性和适用性.
参考文献
[1] Y SUN. Exchange rate forecasting with an artificial neural network model： can we beat a random walk model？ [D] New Zealand：Christchurch，Lincoln University， 2005.
[2] A HUSSAIN， A KNOWLES， P LISBOA，et al. Financial time series prediction using polynomial pipelined neural networks[J]. Expert Systems with Applications， 2008， 35（3）： 1186-1199.
[3] M SEWELL. The application of intelligent systems to financial time series analysis[D].London：Department of Computer Science， UCL，2010.
[4] C LEMKE，B GABRYS. Metalearning for time series forecasting and forecast combination[J]. Neurocomputing， 2010， 73（10）： 2006-2016.
[5] G BOX， G JENKINS， G REINSEL. Time series analysis： forecasting and control[M].London John Wiley & Sons， 2011. 734
[6] E TYREE， J LONG. Forecasting currency exchange rates： neural networks and the random walk model[J]. Citeseer， 1995（1）：981-996.
[7] G ZHANG. Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing， 2003， 50： 159-175.
人工神经网络的定义范文6
Abstract： The sensitivity analysis of equipment maintenance support information plays an important role in the maintenance decision-making and support plan evaluation etc. In this paper， firstly， the demand and process of equipment maintenance support information sensitivity analysis was determined. Secondly， the artificial neural network was adopted to build networks for sensitivity analysis， the network output of the quantitative calculation of the influence of parameters is used on the model results， and the parameter sensitivity was got. Finally， the maintainability data of some gear lubrication pump was analyzed as an example， which verified the effectiveness of the proposed method.
关键词： 维修保障信息；灵敏度分析；BP神经网络
Key words： maintenance support information；sensitivity analysis；BP neural network
中图分类号：E075 文献标识码：A 文章编号：1006-4311（2016）12-0080-03
0 引言
装备维修保障信息是对装备实施维修保障的必要前提和重要基础[1]。它既反映了装备当前的基本情况，提供了装备是否便于维修，维修所需的时间、资源、费用等信息；也包含了各种与维修保障相关的质量特性参数，如平均修复时间、预防性维修时间、定期更换间隔期等，是开展维修工作的基础或者“起点”。
目前关于维修保障信息收集与分析的研究很多，然而针对这些信息的收集粒度、分析精度等研究则较少。因此，对装备维修保障信息进行灵敏度分析是非常有必要的，其有助于确定维修保障信息收集的重点，评价基础数据变化对维修保障效果的影响程度，并为后续分析与改进工作提供重要参考依据[2]。
本文基于黑箱模型的思路，利用人工神经网络的方法建立用于装备维修保障信息灵敏度分析的网络，利用网络输出定量计算参数的变动对不确定模型输出结果的影响程度，以掌握装备维修保障对参数变化的敏感度。
1 装备维修保障信息灵敏度分析需求与过程
灵敏度分析是研究与分析一个系统或模型的状态或输出变化对系统参数或者周围条件变化的敏感程度的方法[3]。在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。同样，在对装备开展维修保障工作时，其基础信息的灵敏度分析，对于相关维修决策的制订与判断以及保障方案的权衡与评价等，都具有非常重要和现实的作用。
1.1 装备维修保障信息灵敏度分析的需求
传统的维修方式是相对粗放型的，很难实现精确化保障也极易造成维修资源的浪费。基于状态的维修、故障诊断与健康管理等新型维修方式的兴起与发展，实现了维修决策的定量化与科学化，同时对于决策基础信息的质量与准确性也提出了更高的要求。
在上述新型维修方式的定量化分析过程中，必然依据相应的决策模型等手段。上述这些模型都含有若干个确定性参数，参数的变化会引起模型目标值的改变，不同参数的变化对模型目标值的影响也不尽相同。对装备维修保障信息进行灵敏度分析，可以通过对输出结果影响的大小等来探索维修决策模型对各信息的敏感程度，从而为优化装备设计参数和提高其维修决策等提供方向。所以，装备维修保障信息的灵敏度分析具有十分重要的意义。
1.2 装备维修保障信息灵敏度分析基本过程
对装备维修保障信息数进行灵敏度分析，基本过程如下：
①明确灵敏度分析参数。在维修决策模型中，一些参数的改变对模型结果影响很大，对这些重要性参数要重点分析；反之，如参数的变化对模型结果影响很小，没必要对其进行分析。
②确定参数取值变化范围。根据模型的具体情况，选择适当的参数变化范围；需要注意的是，所有参数的变化范围要求一致，这样才能比较其灵敏度。
③模型结果统计与展现。通过MATLAB等数学工具，计算模型结果，并画出表示参数与模型结果关系的二维图。
④模型结果变动分析。根据二维图所示的参数与模型结果的关系，通过其直线斜率、变化区间等来进行灵敏度分析。
⑤确定参数采集要求。参数采集应该来源于工作实践，确保数据的准确性、可靠性。
2 基于神经网络的装备维修保障信息灵敏度分析
在装备维修保障信息分析过程中，由于各参数间常常会存在不同程度的相关性，很难直接判断参数的改变对模型输出结果的影响，因此本文研究利用人工神经网络的方法建立用于黑箱模型参数灵敏度分析的网络。黑箱模型（Block Box Model）是指输入、输出和功能特性已知，但其内部实现未知或不相关的模型。因此，通过参数值的变动得到不同的网络输出结果，利用网络的输出定量计算出参数的变动对不确定模型输出结果的影响程度。
2.1 BP神经网络的概念及结构
人工神经网络是在复杂的生物神经网络研究和了解的基础上发展起来的[4]。人脑是由大约个高度互连的单元构成，这些单元称为神经元，每个神经元约有个连接。按照生物的神经元，可以用数学方式表示神经元，并由神经元的互连可以定义出不同类型的神经网络。
由于连接方式的不同，神经网络的类型也将不同。前馈神经网络因为其权值训练中采用的误差是逆向传播的方式，所以这类神经网络更多地称为反向传播（back propagation）神经网络，简称BP神经网络。BP神经网络的基本网络结构如图1所示。
2.2 基于BP神经网络的灵敏度分析模型设计
利用人工神经网络进行黑箱参数灵敏度分析的基本思路是：首先，根据具体装备，结合实际的维修情况，确定要进行灵敏度分析的黑箱模型参数；再利用已有的装备维修数据和专家经验等对参数进行量化处理：然后，利用相关参数和结果形成样本数据进行人工神经网络训练；最后，固定训练完好的神经网络，并通过相关方法分析参数变化的敏感度[5]。
本文通过MATLAB神经网络工具来完成网络训练[6]，具体步骤如下：
①确定训练样本。收集并处理现有或相似、相近装备的相关维修保障信息样本，并对模型参数进行量化。一般来说，所收集的样本数越多，BP神经网络参数灵敏度分析达到的精度就越高。
②建立网络。选取适当的神经网络模型，将参数归一化值赋予神经网络的输入层单元、归一化后的结果值赋予输出层。输入层和输出层节点之间的传递函数通常采用MATLAB的BP神经网络工具箱中的神经元传递函数，网络初始化可通过工具箱中的初始化函数来实现。
③完成网络训练。通过MATLAB的BP神经网络工具箱中的网络训练函数来实现。当训练到一定精度时，停止训练，求得所有权值和阈值。利用测试样本数据对训练结果进行确认，看是否满足要求，必要时增加样本的容量。
④进行参数灵敏度分析。采用逐项替代的分析方法，即通过逐次对某一参数或几个参数进行微小变动，同时固定其它参数保持不变，进行人工神经网络的计算，得到相应网络输出，利用网络的输出定量地分析参数对结果的影响程度，从而为开展维修决策提供参考依据。
3 案例分析
这里以某设备平均单位维修费用关于其相关影响数据为例进行案例分析。通过实际维修情况分析可知，与该设备维修费用相关的参数主要包括：预防性维修所需费用、修复性维修所需费用、维修所需备件费用、维修活动管理费用、设备故障率、维修延迟导致的设备停机时间。选取该设备的原型和相似设备的13组维修数据，并进行归一化后得到的样本数如表1所示，其中6项影响维修费用的参数分别由X、Y、Z、U、V、W表示， C表示单位时间平均维修费用。
3.1 网络的设计与训练
根据上面的数据用前6项参数确定网络的输入变量，并用单位时间平均维修费用确定网络的目标变量。利用1～10组的费用影响数据作为网络的训练样本，11～13组的数据作为网络的测试样本。利用训练完成的神经网络计算另外第11～13组的平均维修费用值，得出的值分别为0.789、0.801、0.815，误差范围都在0.04以内，说明本文所设计的这种网络是足够精确可靠的。
3.2 参数灵敏度分析
在应用上述训练完成的网络程序的基础上，可进一步对此设备的各项参数进行灵敏度分析。对于各个数组来说，参数灵敏度的分析方法大致是一样的。因此，本文仅以数组1为代表进行参数灵敏度分析，具体方法为：分别将每个参数的值改变（增大或缩小）0.1，保持其它的参数值不变，进行神经网络计算，然后观测网络输出值的变化情况。比如，当参数增大0.1后，单位时间平均维修费用相应的改变见图2。
由图2可以看出，对数组1来说，维修活动管理费用这项参数的灵敏度最高，这说明对于设备单位时间平均维修费用来说，此时维修活动管理费用的大小，是导致其高低的最主要因素；其次是该设备的故障率，即设备先天的可靠性水平，对于后期维修费用也起着重要的影响。
采用同样的方法，我们也可以对其他数组进行分析，并得出影响最终结果最为明显的参数来。这样，在开展维修活动时，为了提高保障效益可以有针对性地采取措施，达到科学维修准确决策的效果。
4 结束语
目前很多装备维修保障信息分析具有多样性和复杂性的特点，例如机械装备维修时间与维修性影响因素的关系、装备故障与训练环境的关系等，这些信息都具有不确定性，不能直观地分析，通过神经网络的方法就能解决这个问题。本文介绍了一种基于BP神经网络进行参数灵敏度分析的方法，这其中最重要的工作就是对模型参数神经网络的训练，只有训练出的神经网络精度足够高，才能保证参数灵敏度分析的准确性。但是前提就是要收集大量参数的数据，提高神经网络的精度，这就要求我们要采集大量可靠的数据。
在本文研究中还有很多不够完善的地方，如对于多个参数同时变化的灵敏度分析，输入参数状态变化和参数状态组合引起的灵敏度改变等这些方面，是今后继续研究的方向。
参考文献：
[1]韩小孩，张耀辉，等.装备维修保障信息分类与描述[J].四川兵工学报，2012，33（9）：49-53.
[2]王广彦，白永生，等.面向多主体、多任务的维修保障信息建模技术[J].面向多主体、多任务的维修保障信息建模技术， 2015，24（1）：21-27.
[3]费芸洁.基于灵敏度分析的神经网络结构优化方法研究[D].苏州大学硕士学位论文，2007.
[4]陈太聪，韩大建，苏成.参数灵敏度分析的神经网络方法及其工程应用[J].计算力学学报，2004.
